---
title: "MM-RAG (Multimodal RAG) (HU)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:Prompt engineering"
revision_id: 4050
wiki_created_at: 2026-09-06T23:29:47Z
wiki_modified_at: 2026-09-06T23:29:47Z
downloaded_at: 2026-09-07T23:00:34Z
---

# MM-RAG (Multimodal RAG) (HU)

**MM-RAG** (angol: *Multimodal Retrieval-Augmented Generation*) — a klasszikus RAG paradigma kiterjesztése, amelyben az LLM-ek a válaszadáshoz nemcsak szöveget, hanem vizuális adatokat is felhasználnak (képek, sémák, táblázatok, grafikonok). A multimodális retrieval lehetővé teszi a bizonyítékok megtalálását és összekapcsolását különböző reprezentációkban, csökkentve a hallucinációk kockázatát azáltal, hogy külső forrásokra támaszkodik, pontos oldaltöredékekhez és régiókhoz kötve (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-visrag2024-2)</sup>.

Az MM-RAG különösen hasznos olyan dokumentumoknál, ahol a jelentés lényeges része nem szöveges formában jelenik meg (oldal elrendezése, diagramok, táblázatszerkezetek). Ilyen esetekben a klasszikus szöveges RAG gyakran elveszíti a fontos kontextuális elemeket<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-textvqa2019-4)</sup>.

## Kontextus és a megoldandó probléma

A klasszikus RAG szöveges passzusokkal dolgozik, és nem látja a vizuális struktúrákat (elemek elrendezése, ábrafeliratok, grafikontengelyek). Az MM-RAG ezeket a hiányosságokat pótolja: strukturált elemeket von ki (szöveg, táblázatok, koordinátákkal ellátott képek), vektortérbe indexeli azokat, és különböző modalitásokból kombinálja a bizonyítékokat<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-clip2021-6)</sup>.

## MM-RAG architektúra

Az MM-RAG pipeline a klasszikus RAG-hoz képest vizuálisadat-feldolgozási és modalitásigazítási lépéseket ad hozzá: **betöltés → indexelés → multimodális retrieval → összevonás és reranking → generálás nyomkövetéssel**.

1.  **Adatgyűjtés és előfeldolgozás (Ingestion).** Bemenetként PDF/szkennelt dokumentumok/képek érkeznek. OCR és az oldal **elrendezéselemzése** hajtódik végre a zónák elkülönítésére: bekezdések, fejlécek, táblázatok, képek és koordinátáik. Tipikus eszközök — a LayoutLM modellcsalád és a LayoutParser eszközkészlet; a validáció és a tanítás gyakran a PubLayNet és DocLayNet datasetekre támaszkodik<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-layoutparser2021-9)</sup>.
2.  **Régiókra szegmentálás.** Vizuális objektumok kerülnek kinyerésre (diagramok, táblázatok, illusztrációk, feliratok). A fokozott robusztusság érdekében OCR-free modellek (pl. Donut) vagy kombinált OCR+VLM pipeline-ok alkalmazhatók<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-donut2021-10)</sup>.
3.  **Indexelés (Vector Index).** A szöveges chunkok és a vizuális elemek (képek vagy leírásaik) vektoros reprezentációvá alakulnak, és vektoros adatbázisba kerülnek. Az egységesített *text↔image* térhez CLIP vagy SigLIP alkalmazható; produkciós környezetben kényelmesek a multimodális/multivektoros indexek (egy objektum — több vektor)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-milvus-mv-12)</sup>.
4.  **Multimodális retrieval és reranking.** Szöveges és vizuális keresés kombinációja hajtódik végre; a jelöltek (bekezdések, táblázatok, képek/régiók) összevonásra és egy „nehezebb" modellel (kereszt-enkóder/LLM-reranker) újrarangsorolásra kerülnek a pontosság növelése érdekében<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-cohere-rerank-13)</sup>.
5.  **Kontextus csomagolása és generálás.** A kiválasztott töredékeket az LLM/VLM kapja meg. Ha a modell multimodális (pl. GPT-4V/4o), a képek közvetlenül átadhatók; szöveges LLM esetén a képek előzetesen részletes leírásokká konvertálódnak<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-gpt4o-15)</sup>.
6.  **Nyomkövetés és idézés.** A válasz kattintható idézetekkel egészül ki, amelyek nemcsak a dokumentumhoz/oldalhoz, hanem a régióhoz (koordinátákhoz) is kötöttek. Ez növeli a *grounding* szintjét és a felhasználók bizalmát<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-visrag2024-2)</sup>.

## Minőségértékelés és metrikák

Az MM-RAG hatékonysága a kinyerés, a retrieval és a generálás szintjén értékelhető.

- **Vizuálisadat-kinyerés minősége.** OCR pontosság (WER/CER), elrendezéselemzés minősége (mAP/Precision/Recall) a DocLayNet/PubLayNet készleteken<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-publaynet2019-7)</sup>.
- **Retrieval minősége.** Szabványos információ-visszakeresési metrikák: Recall@K, Precision@K, MRR; multimodalitásnál — modalitásonként külön és összesítve.
- **Válasz minősége (end-to-end).** Automatikus *faithfulness*/*groundedness* metrikák és emberi értékelés. A gyakorlatban RAGAS/TruLens/DeepEval keretrendszerek kerülnek alkalmazásra<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-ragas-16)</sup>.
- **Benchmarkok.**
  - **DocVQA**: dokumentumképekhez kapcsolódó kérdések<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: képeken lévő szöveg olvasását igénylő kérdések<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: infografikákhoz kapcsolódó kérdések<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: diagramokhoz kapcsolódó, logikai következtetést igénylő kérdések<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: multimodális RAG benchmark DocQA-hoz (többoldalas dokumentumok, kereszt-modális bizonyítékláncok)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-mmdocrag2025-19)</sup>.

## Összetevők összehasonlító táblázata

| Összetevő              | Megvalósítási változatok                                            | Előnyök                                                                                                 | Hátrányok / kockázatok                                                              | Mikor válasszuk                                                                         |
|------------------------|---------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| OCR                    | Tesseract / PaddleOCR / felhőalapú API                              | Helyi megoldások — adatvédelem és kontroll; felhőalapúak — magas pontosság „dobozból\\.                 | Hibák összetett elrendezésnél; API — költség és megfelelőségi követelmények.        | Bizalmas adatoknál — helyi OCR; maximális pontossághoz — felhő (ha megengedett).        |
| Elrendezéselemzés      | Szabályok / ML-modell (LayoutLM, LayoutParser)                      | A szabályok egyszerűek egységes sablonokhoz; ML — robusztus a változatossággal szemben.                 | A szabályok új elrendezéseknél meghibásodnak; az ML erőforrásokat/adatokat igényel. | Egységes nyomtatványokhoz — szabályok; heterogén korpuszhoz — ML.                       |
| Vektorizáció (képek)   | CLIP / SigLIP / OCR-free leírások (Donut/Pix2Struct)                | Közös látens *text↔image* tér (CLIP/SigLIP); OCR-free megszünteti az OCR-függőséget.                    | A CLIP nem olvassa a képeken belüli szöveget; a leírások torzíthatják a jelentést.  | CLIP/SigLIP — alapszintű multimodális keresés; OCR-free összetett minőségű szkennekhez. |
| Eredmények összevonása | Pontszám szerinti rendezés / modalitásonkénti kvóták / LLM-reranker | A reranker érezhetően növeli a kontextusválasztás pontosságát.                                          | Megnövekedett késleltetés és költség.                                               | Nagy pontosságot igénylő forgatókönyvek; egyszerű módszerek — PoC-hoz.                  |
| Tárolás/index          | Egyvektoros / multivektoros (text+image) / hibrid (BM25+vektor)     | A multivektor lefödi egy objektum különböző reprezentációit; a hibrid megmenti a kulcsszavakat/kódokat. | A séma és a frissítések bonyolultabbá válnak.                                       | Vegyes adatokkal és szigorú SLA-val rendelkező produkciós rendszerek.                   |

Az MM-RAG kulcsösszetevőinek és megközelítéseinek összehasonlítása

## Gyakorlati megjegyzések

- **Hibrid keresés** (BM25 + vektor) — de facto szabvány a teljességi és pontossági mutatók javítására specifikus kifejezések/kódok esetén<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-weaviate-hybrid-20)</sup>.
- **Reranking** kereszt-enkóderrel/LLM-mel tokent takarít meg azáltal, hogy a generálás előtt elveti a „szemét\\ jelölteket<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-cohere-rerank-13)</sup>.
- **Modern VLM-retrieverek** (pl. ColPali) vizuálisan gazdag dokumentumokon előnyöket mutatnak az oldalképek közvetlen indexelése révén<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_note-colpali2024-21)</sup>.

## Irodalom

- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401.
- Gao, L. et al. (2023). *Precise Zero-Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL 2023. arXiv:2212.10496.
- Mei, L., Mo, S., Yang, Z., Chen, C. (2025). *A Survey of Multimodal Retrieval-Augmented Generation*. arXiv:2504.08748.
- Abootorabi, M.M. et al. (2025). *Ask in Any Modality: A Comprehensive Survey on Multimodal Retrieval-Augmented Generation*. Findings of ACL 2025. ACL Anthology.
- Yu, S. et al. (2024). *VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents*. arXiv:2410.10594.
- Cho, J. et al. (2024). *M3DocRAG: Multi-modal Retrieval is What You Need for Multi-document QA*. arXiv:2411.04952.
- Tanaka, R. et al. (2025). *VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents*. CVPR 2025. arXiv:2504.09795 • CVF Open Access.
- Dong, K. et al. (2025). *MMDocRAG: Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering*. arXiv:2505.16470.
- Wasserman, N. et al. (2025). *REAL-MM-RAG: A Real-World Multi-Modal Retrieval Benchmark*. arXiv:2502.12342.
- Faysse, M. et al. (2024). *ColPali: Efficient Document Retrieval with Vision Language Models*. arXiv:2407.01449.
- Radford, A. et al. (2021). *Learning Transferable Visual Models From Natural Language Supervision (CLIP)*. ICML 2021. arXiv:2103.00020.
- Tschannen, M. et al. (2025). *SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features*. arXiv:2502.14786.
- Xu, Y. et al. (2020). *LayoutLM: Pre-training of Text and Layout for Document Image Understanding*. KDD 2020. DOI • arXiv:1912.13318.
- Huang, Y. et al. (2022). *LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking*. arXiv:2204.08387.
- Zhong, X., Tang, J., Jimeno-Yepes, A.J. (2019). *PubLayNet: Largest Dataset Ever for Document Layout Analysis*. arXiv:1908.07836.
- Pfitzmann, B. et al. (2022). *DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis*. arXiv:2206.01062.
- Kim, G. et al. (2021). *OCR-free Document Understanding Transformer (Donut)*. arXiv:2111.15664.
- Shen, Z. et al. (2021). *LayoutParser: A Unified Toolkit for Deep Learning Based Document Image Analysis*. arXiv:2103.15348.
- Singh, A. et al. (2019). *Towards VQA Models That Can Read (TextVQA)*. CVPR 2019. arXiv:1904.08920.
- Mathew, M. et al. (2021/2022). *DocVQA / InfographicVQA: Datasets for VQA on Document Images and Infographics*. WACV 2021 / WACV 2022. CVF • arXiv:2104.12756.
- Masry, A. et al. (2022). *ChartQA: A Benchmark for Question Answering about Charts with Visual and Logical Reasoning*. Findings of ACL 2022. ACL • arXiv:2203.10244.
- Liu, F. et al. (2022). *DePlot: One-shot Visual Language Reasoning by Plot-to-Table Translation*. arXiv:2212.10505.
- Wang, P. et al. (2024). *Qwen2-VL: Enhancing Vision-Language Model's Capabilities in OCR and Chart QA*. arXiv:2409.12191.
- Es, S. et al. (2023). *RAGAS: Automated Evaluation of Retrieval-Augmented Generation*. arXiv:2309.15217.

## Lásd még

- Retrieval-Augmented Generation
- Vektoros adatbázis
- Embedding
- GraphRAG

## Jegyzetek

1.  <span id="cite_note-lewis2020-1">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-lewis2020_1-0) Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. <a href="https://arxiv.org/abs/2005.11401" class="external text" rel="nofollow">arXiv:2005.11401</a>.</span>
2.  <span id="cite_note-visrag2024-2">↑ <sup>[2.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-visrag2024_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-visrag2024_2-1)</sup> Yu, S. et al. (2024). *VisRAG: Vision-based Retrieval-Augmented Generation on Multi-modality Documents*. <a href="https://arxiv.org/abs/2407.06437" class="external text" rel="nofollow">arXiv:2407.06437</a>.</span>
3.  <span id="cite_note-docvqa2021-3">↑ <sup>[3.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-docvqa2021_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-docvqa2021_3-1)</sup> Mathew, M. et al. (2021). *DocVQA: A Dataset for VQA on Document Images*. WACV. <a href="https://arxiv.org/abs/2007.00398" class="external text" rel="nofollow">arXiv:2007.00398</a>.</span>
4.  <span id="cite_note-textvqa2019-4">↑ <sup>[4.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-textvqa2019_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-textvqa2019_4-1)</sup> Singh, A. et al. (2019). *TextVQA: Towards VQA Models That Can Read*. CVPR. <a href="https://arxiv.org/abs/1904.08920" class="external text" rel="nofollow">arXiv:1904.08920</a>.</span>
5.  <span id="cite_note-layoutlm2020-5">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-layoutlm2020_5-0) Xu, Y. et al. (2020). *LayoutLM: Pre-training of Text and Layout for Document Image Understanding*. KDD. <a href="https://dl.acm.org/doi/10.1145/3394486.3403172" class="external text" rel="nofollow">DOI</a>.</span>
6.  <span id="cite_note-clip2021-6">↑ <sup>[6.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-clip2021_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-clip2021_6-1)</sup> Radford, A. et al. (2021). *Learning Transferable Visual Models From Natural Language Supervision (CLIP)*. ICML. <a href="https://arxiv.org/abs/2103.00020" class="external text" rel="nofollow">arXiv:2103.00020</a>.</span>
7.  <span id="cite_note-publaynet2019-7">↑ <sup>[7.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-publaynet2019_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-publaynet2019_7-1)</sup> Zhong, X., Tang, J., Yepes, A. J. (2019). *PubLayNet: Largest Dataset for Document Layout Analysis*. ICDAR. <a href="https://arxiv.org/abs/1908.07836" class="external text" rel="nofollow">arXiv:1908.07836</a>.</span>
8.  <span id="cite_note-doclaynet2022-8">↑ <sup>[8.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-doclaynet2022_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-doclaynet2022_8-1)</sup> Pfitzmann, B. et al. (2022). *DocLayNet: A Large Human‑Annotated Dataset for Document‑Layout Analysis*. KDD. <a href="https://dl.acm.org/doi/10.1145/3534678.3539043" class="external text" rel="nofollow">DOI</a> / <a href="https://arxiv.org/abs/2206.01062" class="external text" rel="nofollow">arXiv:2206.01062</a>.</span>
9.  <span id="cite_note-layoutparser2021-9">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-layoutparser2021_9-0) Shen, Z. et al. (2021). *LayoutParser: A Unified Toolkit for DL‑based Document Image Analysis*. <a href="https://arxiv.org/abs/2103.15348" class="external text" rel="nofollow">arXiv:2103.15348</a>.</span>
10. <span id="cite_note-donut2021-10">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-donut2021_10-0) Kim, G. et al. (2021). *Donut: OCR‑free Document Understanding Transformer*. <a href="https://arxiv.org/abs/2111.15664" class="external text" rel="nofollow">arXiv:2111.15664</a>.</span>
11. <span id="cite_note-siglip2023-11">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-siglip2023_11-0) Zhai, X. et al. (2023). *Sigmoid Loss for Language‑Image Pre‑Training (SigLIP)*. ICCV. <a href="https://arxiv.org/abs/2303.15343" class="external text" rel="nofollow">arXiv:2303.15343</a>.</span>
12. <span id="cite_note-milvus-mv-12">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-milvus-mv_12-0) Milvus Docs. *Multi‑Vector Hybrid Search*. <a href="https://milvus.io/docs/multi-vector-search.md" class="external text" rel="nofollow">milvus.io/docs/multi-vector-search.md</a>.</span>
13. <span id="cite_note-cohere-rerank-13">↑ <sup>[13.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-cohere-rerank_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-cohere-rerank_13-1)</sup> Cohere Docs. *Rerank API*. <a href="https://docs.cohere.com/reference/rerank" class="external text" rel="nofollow">docs.cohere.com/reference/rerank</a>.</span>
14. <span id="cite_note-gpt4v-14">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-gpt4v_14-0) OpenAI. *GPT‑4V(ision) System Card*. (2023). <a href="https://cdn.openai.com/papers/GPTV_System_Card.pdf" class="external text" rel="nofollow">PDF</a>.</span>
15. <span id="cite_note-gpt4o-15">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-gpt4o_15-0) OpenAI. *Hello GPT‑4o*. (2024). <a href="https://openai.com/index/hello-gpt-4o/" class="external text" rel="nofollow">openai.com/index/hello-gpt-4o/</a>.</span>
16. <span id="cite_note-ragas-16">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-ragas_16-0) Es, S. et al. (2023). *RAGAS: Automated Evaluation of Retrieval Augmented Generation*. <a href="https://arxiv.org/abs/2309.15217" class="external text" rel="nofollow">arXiv:2309.15217</a>.</span>
17. <span id="cite_note-infographicvqa2021-17">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-infographicvqa2021_17-0) Mathew, M. et al. (2021). *InfographicVQA: Understanding Infographics via Question Answering*. ICDAR. <a href="https://arxiv.org/abs/2104.12756" class="external text" rel="nofollow">arXiv:2104.12756</a>.</span>
18. <span id="cite_note-chartqa2022-18">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-chartqa2022_18-0) Masry, A. et al. (2022). *ChartQA: A Benchmark for Question Answering about Charts*. ACL (Findings). <a href="https://arxiv.org/abs/2103.16435" class="external text" rel="nofollow">arXiv:2103.16435</a>.</span>
19. <span id="cite_note-mmdocrag2025-19">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-mmdocrag2025_19-0) Dong, K. et al. (2025). *Benchmarking Retrieval‑Augmented Multimodal Generation for Document QA (MMDocRAG)*. <a href="https://arxiv.org/abs/2505.16470" class="external text" rel="nofollow">arXiv:2505.16470</a>.</span>
20. <span id="cite_note-weaviate-hybrid-20">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-weaviate-hybrid_20-0) Weaviate Docs. *Hybrid search*. <a href="https://docs.weaviate.io/weaviate/concepts/search/hybrid-search" class="external text" rel="nofollow">docs.weaviate.io/.../hybrid-search</a>.</span>
21. <span id="cite_note-colpali2024-21">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(HU)#cite_ref-colpali2024_21-0) Faysse, M. et al. (2024). *ColPali: Efficient Document Retrieval with Vision‑Language Models*. <a href="https://arxiv.org/abs/2407.01449" class="external text" rel="nofollow">arXiv:2407.01449</a>.</span>